Schlussbericht zum Teilvorhaben: OCT-Feature-Extraktion und Segmentierung des Verbundprojektes: Ophthalmo-AI – Intelligente, kooperative Diagnose- und Therapieunterstützung in der Augenheilkunde

Abstract

Motivation und Problemstellung: Das Verbund-Projekt Ophthalmo-AI hatte das Ziel, in der Augenheilkunde durch eine effektive Zusammenarbeit von maschineller und menschlicher Expertise (interaktives Maschinenlernen IML) bessere Diagnose- und Therapieentscheidungen zu treffen. Dabei sollten Teile des Entscheidungsprozesses durch maschinelles Lernen unterstützt werden, um eine erhöhte Reliabilität und Objektivität zu erreichen. Ziel war es, eine vergleichbare Genauigkeit wie der kostenintensive Goldstandard zu erreichen und die Akzeptanz seitens der Anwender zu gewährleisten. Zusätzlich sollte der Diagnose- und Therapieprozess effizienter gestaltet werden, indem aus weniger Diagnoseschritten ein differenziertes Bild erstellt und dadurch die Erklärbarkeit im Mensch-Maschinen-Dialog sichergestellt wird. Derzeitiger Stand von Wissenschaft und Technik: In der medizinischen Diagnostik spielt ML eine zunehmend wichtige Rolle, insbesondere in der bildgebenden Medizin. ML-Verfahren ermöglichen die automatische Extraktion relevanter Merkmale aus medizinischen Daten, was bei der Detektion und Diagnose von Erkrankungen unterstützt. Die Kombination von ML-Verfahren mit dem Expertenwissen von Medizinern zeigt vielversprechende Ergebnisse. In der medizinischen Bildgebung können ML-Algorithmen effektiv eingesetzt werden, um latente Merkmale in den Bilddaten zu erlernen und lokale Merkmale präzise zu beschreiben. Um die Transparenz und Fehlerabschätzung von MLModellen zu verbessern, werden verschiedene Methoden angewendet. Eine Möglichkeit ist die Visualisierung der Entscheidungsmechanismen in neuronalen Netzen mithilfe von Perturbationstechniken. Das unüberwachte Strukturlernen ermöglicht die Identifizierung latenter Merkmale in den Rohdaten, auch ohne vollständige oder lückenlose Trainingslabels. Bayes'sche Netzwerke bieten eine weitere Möglichkeit zur Verbesserung der Transparenz, indem sie bedingte Vorhersagewahrscheinlichkeiten verwenden und Wahrscheinlichkeiten mit konkreten Diagnosen verknüpfen. Dadurch kann eine präzisere Abschätzung der Wahrscheinlichkeit verschiedener Diagnosen basierend auf den extrahierten Merkmalen erfolgen. Methode: Das Teilvorhaben von Heidelberg Engineering zielte auf eine effiziente Extraktion von klinischen Biomarkern aus OCT-Bilddaten ab. Durch die Entwicklung automatischer Segmentierungsverfahren und durch die Bereitstellung von interaktiven Methoden für das Training von ML-Methoden wurde eine sinnvolle Vorverarbeitung der OCT-Daten gesichert. Annotierte OCT-Daten dienten dann als Grundlage für die weitere Verarbeitung zur Diagnoseund Therapieunterstützung. Ergebnis: Das Projekt Ophthalmo-AI entwickelte ein Unterstützungssystem für Augenärzte zur KIbasierten, automatischen Berechnung und Anzeige relevanter anatomischer Marker wie biologischer Schichtgrenzen und pathologischer Merkmale in OCT-Netzhaut-Scans für den klinischen Diagnose- und Entscheidungsprozess. Mit dem KI-System können Spezialisten auch die Genauigkeit der von sogenannten Deep-Learning-Modellen berechneten Marker in OCTBildern bewerten und die dargestellten Markierungen interaktiv korrigieren. Dies kann zur weiteren Verbesserung der KI-Modelle durch Nachtrainieren genutzt werden. Das System schlägt dazu aktiv OCT-Bilder vor, bei denen es weniger sicher ist und von deren Nachbearbeitung durch Experten es sich einen möglichst großen Erkenntnisgewinn erwartet. Schlussfolgerung/Anwendungsmöglichkeiten: Die in Ophthalmo-AI erlangten technischen und wissenschaftlichen Ergebnisse schaffen und verbessern die Voraussetzungen, um erfolgreich Datenintegrationsinfrastrukturen für KIEntwicklungen in der Medizin bereitzustellen. Die im Forschungsprojekt entwickelten Methoden haben das Potential, nach erfolgreicher Erprobung in die klinisch eingesetzten bildgebenden Systeme integriert zu werden. Dadurch würde die computergestützte Diagnose- und Therapieplanung und der daraus folgende Effizienzgewinn direkt den Patienten und ihren behandelnden Ärzten zukommen. Datei-Upload durch TIB